SR-HyperFM：一种基于样本关系感知的超图分解模型，用于特征交互建模

《ACM Transactions on Knowledge Discovery from Data》：SR-HyperFM: Sample Relationship Aware Hypergraph Factorization Machines for Feature Interaction Modeling

SR-HyperFM提出样本关系-aware超图构建和双消息传递模块，有效利用样本间共享与差异特征，提升特征交互建模效果，实验验证其优于基线模型。

　　

摘要

特征交互建模利用特征之间的交互信息，在各种应用中得到了广泛研究。最近，提出了许多基于图或超图结构的模型来通过预测节点之间的边或超边的存在来模拟特征交互。然而，这些模型缺乏捕捉样本之间内在可比性的能力，而多个样本通常同时表现出共享特征和独特特征，这种可比性对于预测往往是有益的。为此，我们提出了SR-HyperFM（样本关系感知超图因子化机器），该模型将样本之间的可比关系纳入特征交互建模中，同时利用共享特征和样本之间的关键差异。具体来说，引入了样本关系感知的超图构建模块，以完全捕捉样本之间的可比关系并发现有益的高阶特征交互。此外，双重超图消息传递模块通过利用这些内在关系显式地对特征交互进行建模。在四个真实世界数据集上的广泛实验表明了SR-HyperFM的优越性。此外，还进行了案例研究以进一步证明SR-HyperFM的有效性。